建立基于病态的机器学习模型来预测结肠癌中CD276 (B7-H3) 表达的情况

科学领域:

• 计算病理学计算病理学
• 发现生物标志物的发现.
• 机器学习在瘤学中

背景情况:

• CD276是癌症的重要预后指标和治疗点.
• 目前的CD276检测方法缓慢且昂贵,阻碍了研究和临床应用.

研究的目的:

• 开发一种病理模型,用于预测结肠腺癌 (COAD) 中的H&E染色图像中的CD276表达.
• 通过与转录档案集成来探索病态特征背后的生物机制.
• 评估模型对COAD患者整体存活期的预测性能.

主要方法:

• 使用了来自癌症基因组图谱 (TCGA) 的结肠腺癌 (COAD) 数据集.
• 在H&E染色图像上使用梯度增强机 (GBM) 算法开发了一种病态模型.
• 使用考克斯回归和基因组丰富分析 (GESA) 验证了模型的预测准确性和生存关联.

主要成果:

• 病态模型在CD276预测中实现了0.833 (训练) 和0.758 (验证) 的AUC.
• 该模型通过决策曲线分析 (DCA) 证明了良好的校准和显著的临床实用性.
• 病态评分 (PS) 被确定为COAD整体存活的危险因素,GESA揭示了免疫和炎症途径的关联.

结论:

• 一个基于病理学的新型机器学习模型能够从COAD中的H&E图像中高效地预测CD276.
• 综合的病态和转录组分析提供了机械学的见解和未来研究的基础.
• 这种方法为癌症研究中的CD276评估提供了一种具有成本效益和快速的方法.